我们主要依据下图来分析resnet18与resnet50的区别，这是其原始论文中的图。

（1）在resnet模型中，我们首先是64个7x7且步幅为2的大卷积核将图像从3维空间映射到64维空间以使后续残差块能更好的提取特征。同时，我们的图像大小从224缩减到112。

（2）使用步幅为2的max pool，进一步将图像大小从112缩减到56。

（3）resnet18使用的3x3的卷积核，而resnet50使用的是1x1卷积核先对图像进行通道数的缩减，从256到64，然后再在64个通道数的特征图上做3x3卷积，可以有效的减少模型的参数。论文中指出，在深度更深的50，101，152等模型中会使用这种先1x1卷积缩减通道数的方式，而18，34等则没有这么做。

从上我们，可以看出resnet18与resnet50的区别，不仅在于其残差块数量上的差异，还在于其残差块内部的构造不一样。